机器人学习--室内定位方法综述

参考：移动机器人室内定位技术综述：笔记-1 - 知乎搜素关键词： "indoor location", "indoor localization", "indoor tracking" and "indoor positioning" 对于移动机器人，定位技术是保证移动机器人轨迹/运动作业的前提技术，特…https://zhuanlan.zhihu.com/p/107880431

搜素关键词："indoor location", "indoor localization", "indoor tracking" and "indoor positioning"

对于移动机器人，定位技术是保证移动机器人轨迹/运动作业的前提技术，特别是跟踪作业的基础。与自动驾驶车辆定位不同，小型移动机器人所需要的定位精度。根据作业环境，小型移动机器人定位技术可以视为室内定位系统（Indoor Location System, ILS）。小型移动机器人定位技术不同于机械加工领域的定位技术，从关键词上可以明显区别，“Location/Localization”与“Position/Positioning”。Localization 指的是机器人在作业空间内的自身的位置关系问题，position 是会指向更精密的点问题。

本文的主要内容包括：室内定位测量原理（物理属性），室内定位技术，定位模型方法，定位算法，定位系统评价因子，基于惯导的定位系统，基于无线电网络的定位技术，集群定位算法。

1. 室内定位测量原理（物理属性）[1]：

(1)无线电频谱与电磁波

个人或区域互联网，包括IEEE 802.11, Ultra-Wideband (UWB), ZigBee, 或者 Bluetooth
- 采指纹基定位方法
  - 邻近技术
  - 贝叶斯统计匹配
  - 极大似然估计
  - 关联判决（Correlation discriminant kernel selection）
  - 神经网络
- 非采指纹基定位方法
  - 几何学
区域广播网络，包括定位目的的网络，例如GPS/GNSS，以及具有定位功能多的网络，例如智能手机网络、电视广播信号
- 电视信号
- 胞元网络（智能手机）
RFID 标签
雷达

(2)光子能场

图像分析，自然特征提取与识别（场景图片）
- 移动相机系统
- 固定相机系统
图像分析与特征点标记（二维码定位）

(3) 声波

(4) 机械能（惯性/接触）

(5)地球磁场

(6) 大气压

无线电室内定位系统分类[2]

2. 室内定位技术

室内定位服务系统Indoor Location Based Services (ILBS)可以简单地分为三类[3]：

网络系统：基于无线网络
惯性系统：机载惯导系统预估定位
混合系统：融合无线网络与惯性系统的混合系统
- RSS-IMU 混合系统
- 基于地图的混合系统
- 基于智能手机的混合系统

3. 室内定位模型方法分类[4]：

angle of arrival(AoA) 技术：根据到达信号角度
time of arrival(ToA) 技术：根据到达信号时间（类似雷达测距）
fingerprinting 技术，即特征技术

4. 室内定位算法模型[1]：

三角定位（Triangulation），需要借助固定基站或者已知基站位置信息，GPS等无线网络定位法
邻近（Proximity），使用具有有限的感知范围和分析能力的传感器，RFID
场景分析（Scene analysis），利用场景画面中的特征完成定位分析，点云和3D重构技术，机器视觉
航位推算（Dead reckoning），基于先验信息推算出运动轨迹，惯导、捷联惯导

4.1 定位算法

按照文献[5]，基于静态传感器节点的定位技术广泛应用于移动机器人跟踪功能，定位算法可总结为：

4.1.1范围基定位（Range-based localization）

time-of-arrival (TOA) – based 定位. 联合最小二乘估计 the Least-Square Estimate
time-difference-of-arrival (TDOA) – based 定位. 协同定位
Angle-of-arrival (AOA) – based 定位.
received signal strength (RSS) – based 定位，联合最大似然估计Maximum likelihood estimate
MDS Based 定位，联合奇异值分解 Singular Value Decomposition (SVD)
Channel Impulse Response Based fingerprinting 定位

4.1.2无范围基定位（Range-free localization）

Approximate Point in Triangle Test (APIT)
Centroid-based 定位
Monte-Carlo 定位
DV-Hop based 定位
Closer point based 定位
Assumption Based Coordinates (ABC) localization method

4.2. 定位计算补偿方法Implementation methods

机器学习方法 Machine Learning Based Methods：
least square support vector machine and Gaussian processes ,Semi-supervised Laplacian regularized least squares method and HMM based RSS-EKF (Extended Kalman Filter) method using RSS
集中和分布式方法Centralized and Distributed Methods
多传感器数据融合方法Multi-Sensor Data Fusion Methods
采指纹方法Fingerprinting Based Methods

4.3跟踪算法分类Broad classification of tracking methods：

聚类跟踪算法 Cluster-based tracking methods, dynamic clustering algorithm for target tracking
预测跟踪算法 Prediction-based tracking methods
树基跟踪算法 Tree-based tracking methods
主动跟踪算法 Activation-based tracking method
Mobicast基跟踪算法 Mobicast-based tracking method

5. 室内定位方法评价[4]：

精度与误差
环境适应性。场景对定位系统测量精度影响，一个高性能框架能够避免重复定位差异。
消耗：带宽、寿命、能耗、权重与额外设备
基站数量

6. 基于惯导的定位系统

惯性导航与定位技术可以分为两类：

捷联惯导系统Strapdown systems: 采用两次积分预测运动
步进与航向系统Step and Heading Systems (SHS): 通过表示步进长度与航向的惯性定位向量预测位置

参考下图，惯导定位系统通过二次积分获得定位信息[6]，：

一个经典的具有定位功能的移动机器人控制系统架构如下图所示，该系统通过无线电、里程计以及惯性测量单元实现自定位功能[7]。

微型惯性测量单元，包括陀螺仪、加速度计、磁偏角计、温度和气压等功能，通过物理模型和误差模型推算。

扩展卡尔曼滤波算法EKF与粒子滤波器是移动机器人群体定位中最为广泛，尤其在RoboCup等机器人大赛[7]。

7. 基于无线电定位技术

最流行的室内无线电点位技术方法为RSSI定位算法，是采用AP终端设备组件的网络，通过检测信号功率推算距离，再利用定位模型获取定位信息，最常见的终端是ZigBee。

参考[8]

基于ZigBee组件的微型定位系统

8. 集群定位系统

参考文献[9][10]，集群类机器人定位技术，不仅可以依靠静态基站进行定位，还可以利用机器人之间无线电终端辅助其它终端进行定位。

算法1 [9]

因为集群定位存在很大的噪声干扰，因此需要对采集到的信息进行去噪处理，或者提高系统抗干扰能力，采用统计算法提高定位系统精度。如在文献[10]，采用了卡尔曼滤波器对定位优化。

文献[10]-算法1

文献[10]-算法2

文献[10]-算法3

9. 总结

本文大部分内容是根据综述文章对现用的室内定位进行总结，考虑到微型运动机器人的工程成本以及计算力，本文所讨论的室内定位技术并不是应用于自动驾驶的SLAM和VSLAM技术。

同时，本文提到了定位跟踪技术，在寻迹控制中个人倾向采用视觉方向。对于粗精度的定位系统，可以采用基于ZigBee的RSSI定位系统，此外可以融合IMU单元提高系统定位精度。

后续，会提供关于IMU的曲面定位算法。

参考文献

[1] Torres-Solis, J., H., T., and Chau, T., 2010, “A Review of Indoor Localization Technologies: Towards Navigational Assistance for Topographical Disorientation,” Ambient Intelligence, F.J. Villanueva Molina, ed., InTech.

[2] Kivimäki, T., Vuorela, T., Peltola, P., and Vanhala, J., 2014, “A Review on Device-Free Passive Indoor Positioning Methods,” International Journal of Smart Home, 8(1), pp. 71–94.

[3] Alejandro Correa, Marc Barcelo, Antoni Morell, and Jose Vicario, 2017, “A Review of Pedestrian Indoor Positioning Systems for Mass Market Applications,” Sensors, 17(8), p. 1927.

[4] Mrindoko, N. R., and Minga, D. L. M., 2016, “A Comparison Review of Indoor Positioning Techniques,” 21(1), p. 9.

[5] Kumar, S., and Hegde, R. M., “A Review of Localization and Tracking Algorithms in Wireless Sensor Networks,” p. 12.

[6] Lv, W., Kang, Y., and Qin, J., 2019, “Indoor Localization for Skid-Steering Mobile Robot by Fusing Encoder, Gyroscope, and Magnetometer,” IEEE Transactions on Systems, Man, and Cybernetics: Systems, 49(6), pp. 1241–1253.

[7] Li, D., Chen, Q., and Zeng, Z., 2018, “Self-Localization Algorithm of Mobile Robot Based on Unscented Particle Filter,” 2018 37th Chinese Control Conference (CCC), IEEE, Wuhan, pp. 5459–5464.

[8] Hernández, N., Alonso, J. M., and Ocaña, M., 2017, “Fuzzy Classifier Ensembles for Hierarchical WiFi-Based Semantic Indoor Localization,” Expert Systems with Applications, 90, pp. 394–404.

[9] Safavi, S., and Khan, U. A., 2017, “An Opportunistic Linear–Convex Algorithm for Localization in Mobile Robot Networks,” IEEE Transactions on Robotics, 33(4), pp. 875–888.

[10] Sun, Q., Tian, Y., and Diao, M., 2018, “Cooperative Localization Algorithm Based on Hybrid Topology Architecture for Multiple Mobile Robot System,” IEEE Internet of Things Journal, 5(6), pp. 4753–4763.